Kaggle知识点：类别变量处理与精度对比

在这个例子中，我们将比较使用不同的编码策略来处理分类特征时，HistGradientBoostingRegressor 的训练时间和预测性能。具体来说，我们将评估以下几种方法：

• 删除分类特征；
• 使用 OneHotEncoder；
• 使用 OrdinalEncoder，将分类特征视为有序、等距的量；

• 使用 OrdinalEncoder，并依赖于 HistGradientBoostingRegressor 估计器的原生类别支持。

我们将使用埃姆斯爱荷华州房屋数据集进行工作，该数据集包含数值和分类特征，其中房屋销售价格是目标变量。

步骤1：加载数据集

    

     

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

     
     
from sklearn.datasets import fetch_openml
X, y = fetch_openml(data_id=42165, as_frame=True, return_X_y=True)
# Select only a subset of features of X to make the example faster to runcategorical_columns_subset = [    "BldgType",    "GarageFinish",    "LotConfig",    "Functional",    "MasVnrType",    "HouseStyle",    "FireplaceQu",    "ExterCond",    "ExterQual",    "PoolQC",]
numerical_columns_subset = [    "3SsnPorch",    "Fireplaces",    "BsmtHalfBath",    "HalfBath",    "GarageCars",    "TotRmsAbvGrd",    "BsmtFinSF1",    "BsmtFinSF2",    "GrLivArea",    "ScreenPorch",]
X = X[categorical_columns_subset + numerical_columns_subset]X[categorical_columns_subset] = X[categorical_columns_subset].astype("category")
categorical_columns = X.select_dtypes(include="category").columnsn_categorical_features = len(categorical_columns)n_numerical_features = X.select_dtypes(include="number").shape[1]
print(f"Number of samples: {X.shape[0]}")print(f"Number of features: {X.shape[1]}")print(f"Number of categorical features: {n_categorical_features}")print(f"Number of numerical features: {n_numerical_features}")
    

步骤2：基准模型（删除类别变量）

    

     

      

      

      

      

      

      

      

      

     
     
from sklearn.compose import make_column_selector, make_column_transformerfrom sklearn.ensemble import HistGradientBoostingRegressorfrom sklearn.pipeline import make_pipeline
dropper = make_column_transformer(    ("drop", make_column_selector(dtype_include="category")), remainder="passthrough")hist_dropped = make_pipeline(dropper, HistGradientBoostingRegressor(random_state=42))
    

步骤3：OneHot类别变量

from sklearn.preprocessing import OneHotEncoder
one_hot_encoder = make_column_transformer(    (        OneHotEncoder(sparse_output=False, handle_unknown="ignore"),        make_column_selector(dtype_include="category"),    ),    remainder="passthrough",)
hist_one_hot = make_pipeline(    one_hot_encoder, HistGradientBoostingRegressor(random_state=42))

步骤4：Ordinal类别变量

    

     

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

     
     
import numpy as np
from sklearn.preprocessing import OrdinalEncoder
ordinal_encoder = make_column_transformer(    (        OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=np.nan),        make_column_selector(dtype_include="category"),    ),    remainder="passthrough",    # Use short feature names to make it easier to specify the categorical    # variables in the HistGradientBoostingRegressor in the next step    # of the pipeline.    verbose_feature_names_out=False,)
hist_ordinal = make_pipeline(    ordinal_encoder, HistGradientBoostingRegressor(random_state=42))
    

步骤5：原生类别支持

    

     

      

      

      

     
     
hist_native = HistGradientBoostingRegressor(    random_state=42, categorical_features="from_dtype")
    

步骤6：对比模型速度和精度

    

     

      

      

      

      

      

      

      

      

      

     
     
from sklearn.model_selection import cross_validate
scoring = "neg_mean_absolute_percentage_error"n_cv_folds = 3
dropped_result = cross_validate(hist_dropped, X, y, cv=n_cv_folds, scoring=scoring)one_hot_result = cross_validate(hist_one_hot, X, y, cv=n_cv_folds, scoring=scoring)ordinal_result = cross_validate(hist_ordinal, X, y, cv=n_cv_folds, scoring=scoring)native_result = cross_validate(hist_native, X, y, cv=n_cv_folds, scoring=scoring)
    

我们可以观察到，使用独热编码的模型明显最慢。这是可以预期的，因为独热编码为每个类别值（对于每个分类特征）创建了一个额外的特征，因此在拟合过程中需要考虑更多的分裂点。

理论上，我们预期原生处理分类特征的速度会略慢于将类别视为有序量（'Ordinal'），因为原生处理需要对类别进行排序。

通常情况下，可以预期使用独热编码的数据会导致更差的预测结果，特别是当树的深度或节点数量受限时：使用独热编码的数据，需要更多的分裂点，即更深的树，才能恢复相当于原生处理中的一个单一分裂点所能获得的等效分裂。

当类别被视为有序量时，这一点同样适用：如果类别为A..F，最佳分裂是ACF - BDE，则独热编码模型将需要3个分裂点（左节点中的每个类别一个），而非原生模型将需要4个分裂：1个分裂来隔离A，1个分裂来隔离F，以及2个分裂来从BCDE中隔离C。